causal-inference on 林協霆醫師

causal-tut：以 Quarto Reveal.js 製作因果推論教學簡報

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

因果推論已成為當代臨床研究的核心方法學，但對於僅接受過傳統生統訓練的醫師而言，從相關性過渡到因果的觀念門檻不低。本專案提供一份針對臨床研究者設計的因果推論教學簡報，涵蓋有向無環圖（DAG）、傾向分數方法與目標最大概似估計（TMLE）三大主題，目標是在一個工作坊內讓學員建立可遷移的因果思考骨架。

# Methods（方法）

簡報以 Quarto 與 Reveal.js 製作，並以 R 為主要程式碼示範。每個主題皆遵循「概念 → 範例 → 程式 → 練習」四段結構：概念建立直覺、範例提供具體情境、程式以 R 演示分析、練習由學員自行嘗試。簡報中嵌入互動式圖表（DAG、平衡性圖、效應分布），降低靜態圖無法呈現的理解阻礙。

設計重點在於「最少數學、最多直覺」：避免引入學員不熟悉的符號，改以圖示與比喻；當必要時，公式以「告訴你能看到什麼」而非「告訴你如何推導」的方式呈現。簡報源碼公開，便於後續其他教師基於此再製。

# Results（結果）

簡報已被作為工作坊主要教材使用，學員回饋顯示能在較短時間內掌握 DAG 思考、傾向分數的核心邏輯與 TMLE 的應用情境。Quarto Reveal.js 的形式同時支援線上閱讀、線下投影與 PDF 輸出，極大化教材的觸及範圍。

# Discussion（討論）

本專案展現了「將前沿方法學轉譯為臨床醫師語言」的教學努力。其貢獻在於降低因果推論的進入門檻，使更多臨床研究者能在自身研究中採用合理方法。限制方面，工作坊的時間限制使主題無法完全展開，仍須搭配進階閱讀；簡報中的範例為虛構情境，學員仍需自行將觀念遷移至真實研究。未來可擴展為完整課程系列，並結合 TMLE-explain 動畫提供影音輔助。

# 連結

GitHub：htlin222/causal-tut
主要語言：R
最後更新：2026-03-28

research-in-cancer-center：區域癌症中心臨床研究的主題不可知工作流框架

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

區域癌症中心積累的病人資料常具備獨特價值：在地化的治療模式、特殊族群、與大型醫學中心不同的轉介路徑。然而樣本量通常介於 100 至 1000 之間，既不足以支持頻率主義對複雜模型的需求，又超過案例報告的尺度。如何在此「中等規模」研究中嚴謹進行因果推論並產出可發表結果，是區域癌症中心研究者的共同挑戰。本框架以主題不可知（topic-agnostic）為設計目標，提供一套可復用的工作流。

# Methods（方法）

框架以 R 為主要分析語言，方法上以三個支柱構成：（1）有向無環圖（DAG）做因果結構顯式化，幫助研究者明確假設並選擇合理的調整變項；（2）貝氏方法處理小樣本下的不確定性，並能整合先前研究作為先驗；（3）多重敏感性分析（包含未測量混淆 E-value、不同先驗、不同插補方法）以檢驗結論穩健性。

整體流程設計為「樣板化」：每個新研究只需替換主題、變項與資料路徑，框架其餘部分（DAG 模板、貝氏模型、敏感性分析）皆可重複使用。Quarto 文件作為呈現層，使分析報告可直接演進為投稿稿件。

# Results（結果）

採用本框架進行研究時，可將原本零散的分析步驟整合為連貫流程，並大幅提升研究品質的一致性。對於資源有限的區域癌症中心，這提供「即便沒有大資料，也能做出嚴謹研究」的具體路徑。框架同時可作為研究教學素材，培養新進研究者對因果思維的熟悉度。

# Discussion（討論）

本專案展現了「方法論基礎建設化」的價值：將最佳實踐固化為可被反覆使用的工作流。其貢獻在於降低小型研究機構參與嚴謹臨床研究的門檻。限制方面，貝氏方法的執行需要研究者具備一定統計基礎；DAG 的繪製仍依賴領域專家對因果關係的判斷。未來可加入更多疾病領域的範例，並結合 LLM 自動建議調整變項與敏感性分析項目。

# 連結

GitHub：htlin222/research-in-cancer-center
主要語言：R
最後更新：2026-03-28

TMLE-explain：以 Manim 與中文 TTS 製作 TMLE 動畫解釋影片

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

目標最大概似估計（Targeted Maximum Likelihood Estimation, TMLE）為近年因果推論的代表性方法，可結合機器學習進行雙重穩健（doubly robust）估計，但其數學細節（影響函數、目標化步驟）對非統計背景的臨床研究者並不友善。傳統教科書與課程多以公式為主，缺乏可隨時暫停回看的視覺化呈現。本專案以 Manim 製作動畫並搭配中文 TTS 旁白，將 TMLE 的核心觀念視覺化。

# Methods（方法）

製作流程以 Python 為主：使用 Manim（3Blue1Brown 開發之數學動畫引擎）製作關鍵步驟的動態圖示，例如初始預測、處理機率、目標化更新與最終估計。中文文字轉語音（如 Azure Cognitive Services、Edge TTS）提供清晰的中文旁白，避免使用者因英文發音差異而分心。所有動畫腳本以程式碼定義，便於同儕審查與後續修改。

設計重點為「視覺化勝過文字」：不要求觀眾在第一遍就看懂所有公式，而是讓他們先建立直覺，再回到教科書補足細節。影片保留中文旁白以服務在地醫學研究社群。

# Results（結果）

完成的影片可作為因果推論課程的教材，亦可作為臨床醫師自學 TMLE 的入門素材。對於非統計專業的研究者，影片提供「為何要這樣估計」的直觀理解，使後續閱讀技術文獻時不至於迷失於符號叢林。

# Discussion（討論）

本專案展現了現代教學工具與生成式 AI（TTS）結合的可能性：高品質教材的製作門檻顯著降低。限制方面，Manim 的學習曲線陡峭，動畫品質仍需作者花時間調校；TTS 雖已自然，但仍不及人類錄音的情感表達。未來可擴展為完整因果推論影片系列（DAG、IPTW、g-computation、TMLE），並提供英文／繁中雙語版本。

# 連結

GitHub：htlin222/TMLE-explain
主要語言：Python（Manim）
最後更新：2026-03-28